Haar小波下采样优化YOLOv9的道路车辆和行人检测

在当前智能化、信息化的大背景下,为了实现无人驾驶模式复杂环境中智能收集道路的行人和车辆目标,提出了一种基于Haar小波下采样(Haar wavelet downsampling,HWD)的YOLOv9算法(HWD_YOLOv9)用于车辆与行人目标检测。Haar小波的下采样操作,降低特征图的空间分辨率,尽可能保留了边缘、纹路等细节信息,有效降低了信息的不确定性。采用交叉熵损失和广义骰子损失之和作为网络的损失函数,可以有效地度量概率分布之间的差异,且逐像素进行骰子损失计算,便于优化网络。实验结果显示,在KITTY数据集上,所提模型的平均精度均值达到了95.86%,检测帧率达到了179 FPS。与YOLOv9相比,改进后的算法能够精确地识别出复杂道路上不同尺度的车辆与行人,改善了原检测算法中的计算容量的冗余和小目标的漏检问题,为智能化的无人驾驶提供了视觉技术支持。

基于Haar小波变换的重力场方向性适配区选取方法

水下重力场适配区的选取在重力匹配导航系统中起着至关重要的作用,传统适配区选取方法通常以重力场区域统计特性作为评价标准,而存在对方向适配性特征描述不准确的问题,在适配区中往往存在某一航向轨迹的匹配精度大幅下降的情况。针对此问题,提出一种基于Haar小波变换的方向性适配区选取方法,将小波变换后得到的高频信息图进行再组合,从而得到针对于任意指定航向的重力高频信息图。通过对某一海域的船载重力数据进行实验验证,基于所提方法可以根据当前航向选取出更具有针对性的适配区域,适配区内匹配率提升6.3%。所提出的方法不仅解决了现有适配区选取方法对方向适配性描述不准确的局限性,而且为潜航器选择以何种航向进入适配区起到了指导性作用。

高阶Haar小波方法求解一类Caputo-Fabrizio分数阶微分方程

利用高阶Haar小波配置法求解了一类Caputo-Fabrizio分数阶微分方程。通过Caputo-Fabrizio分数阶积分将原方程转化为等价的二阶常微分方程,再结合高阶Haar小波配置法将得到的常微分方程化为线性代数方程组进行求解。数值实验表明,使用很小的尺度J可以得到满意的数值精度,且增加尺度J可以获得更高精度的数值解,该算法稳定,具有一定的应用价值。

基于Haar小波的矿用减速器振动测试与分析

基于Haar小波去噪方法,对减速器振动测试信号滤除噪声,降噪后对时域信号进行快速傅里叶变换,从时域和频域两个方面对减速器的运行状态进行分析诊断。以某矿用减速器为研究对象,在其检修环节使用所述方法检测各原部件损伤情况。

基于HOG和Haar特征的行人追踪算法研究

行人在真实场景的检测和追踪是多目标检测和追踪研究中的一个重要问题,尤其是在真实的三维场景中的多行人之间的遮挡、拥挤以及背景的变化对多目标检测和追踪研究造成了严重的挑战。在多目标检测中利用了Haar特征、HOG特征,在行人正面向相机运动时,采用Haar特征检测器检测人脸,并结合Haar运动模型完成行人的检测,当行人侧向运动时,采用HOG特征,利用层次-部分模型进行行人的检测和追踪,在完成行人的检测之后,利用最大权重独立集合算法完成帧间目标的关联。通过对ETH、TUD以及本地样本库的检测和追踪结果表明,采用Haar特征和HOG特征的检测算法对于行人的正面和侧面都具有较高的检测准确率、精确度。

Haar类变换的演化生成与快速算法

本文运用二分演化思想，提出了Ｈａａｒ类变换的一种新的递归演化生成方法，并依此给出了即位的快速Ｈａａｒ类变换算法．

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法.Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征.结合Haar-Like矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测.人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果.

一类特殊的离散Walsh-Haar变换的快速算法

利用Walsh-Haar矩阵HKRm+1的递归性以及Walsh序的离散Walsh变换的快速算法,提出了一类特殊的Walsh序的离散Walsh-Haar变换的快速算法.该变换的特殊性在于Walsh-Haar函数系与Haar函数系一样,其演化生成时的伸缩比均为R=2.采用对输入数据奇偶二分及对变换结果数据对半二分,如此对一个KRm+1点的数据经过m+1步加上logK步二分以及若干次调序后,便得到变换结果.本设计方法可用于研究其他序的伸缩比为2的离散Walsh-Haar变换的快速算法.

基于Haar⁃like特征的人脸检测算法研究与应用

随着社会信息化和智能化的不断发展,人脸检测技术逐渐成为目标检测领域的热点话题。研究方法包括文献研究法和理论分析法,该研究采用基于Haar⁃like特征的AdaBoost人脸检测算法,结合OpenCV计算机视觉开源库,旨在实现对目标图像中可能存在的人脸区域进行高效检测。Haar⁃like特征利用图像中的黑白相间区域来描述目标形状特征,结合AdaBoost算法能够提高人脸检测的准确性和鲁棒性。OpenCV开源库的使用使得算法实现更加便捷高效。经过实验证明,基于Haar⁃like特征的AdaBoost人脸检测算法不仅能够提高对人脸图像的检测率,还能够显著缩短人脸检测的时间,具有很高的实用价值。因此,基于Haar⁃like特征的AdaBoost人脸检测算法的研究和应用具有重要意义,对推动人脸识别技术的发展具有积极的推动作用。

离散Walsh-Haar变换的快速算法

Walsh-Haar函数系是一种具有良好的全局/局部性质的函数系,与其对应的离散变换是一种正交变换,有着广阔的应用前景。该文给出了离散Walsh-Haar变换及其逆变换的定义,并运用二分技术得到了离散Walsh-Haar变换的快速算法。文中的设计思想和方法可用于研究其它序的离散Walsh-Haar变换和其它的正交变换的快速算法。

基于拟Haar变换的模板匹配算法

基于正交Haar变换(orthogonal Haar transform,OHT)的模板匹配算法在处理二维图像时采用条形和来替代积分图,从而获得了较高的运行效率,但它要求模板必须是标准大小的,即模板的高和宽必须相等且为2的幂次.为解决OHT算法的这一问题,提出了另一种基于拟Haar变换(quasi Haar transform,QHT)的模板匹配算法,它使用树分解策略来加速非标准模板时的匹配处理.QHT算法不仅能处理非标准模板的情况,也同样能处理标准模板的情况.在标准模板情况下,实验结果表明,QHT算法在低噪声等级时比OHT算法拥有更快的运行速度.

2D-Haar声学特征超向量快速生成方法

针对大数据量音频的高速处理,提出一种快速的声学特征超向量生成方法,有效提高音频识别系统的识别速度和精度.所提方法首先将多个连续音频帧的常用声学特征构成声学特征图,进而使用低复杂度的运算方法在其中快速提取维数达数十万的Haar-like声学特征;然后使用AdaBoost.MH算法,筛选出具有较高代表性的Haarlike声学特征模式组合,用以构成声学特征超向量;进而提出Random AdaBoost特征筛选方法,进一步提高特征筛选速度.实验结果表明,在音频事件识别、说话人识别、说话人性别识别3种场合下,使用Haar-like声学特征可以使SVM、C5.0、AdaBoost等识别算法获得比MFCC、PLP、LPCC等常用声学特征更高的识别准确率,同时可以获得7~20倍的训练速度提升和5~10倍的识别速度提升.

广义Burgers-Fisher方程的Haar小波有限差分法

研究了基于Haar小波有限差分法求解广义Burgers-Fisher方程.给出Haar小波族的定义,建立积分运算矩阵,该矩阵把积分运算转化为矩阵运算.对方程时间方向的离散采用向前差商,空间方向的离散采用Haar小波.利用Haar矩阵的稀疏性,有效地提高了计算速度和精度.通过计算机模拟获得数值结果,并与Adomian分解法进行比较,结果显示本文所给出的方法对求解时间较小问题时优于Adomian分解法.

基于信息熵和Haar小波变换的开关电流电路故障诊断新方法

针对开关电流(SI)电路的故障诊断和定位问题,为进一步提高故障准确率,提出了基于信息熵和Haar小波变换的开关电流电路故障诊断新方法。该方法采用伪随机信号激励经蒙特卡罗分析、Haar小波正交滤波器分解和信息熵及模糊集的计算来实现故障特征的提取,以减少信号的冗余。最后构建故障字典,完成各故障模式的故障分类。对六阶切比雪夫低通滤波器进行了仿真实验验证,获得了100%的故障诊断准确率,与其它方法进行比较,实验结果显示了本文方法的优越性。

一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法,以解决当前基于SVM分类器或级联分类器存在的分类识别性能不足以及传统基于AdaBoost算法的训练所需时间过长的问题.首先,基于积分图提取图像的扩展类haar特征,然后对所提取的海量类haar特征应用改进的AdaBoost分类器训练方法进行特征选择及分类器训练,最后利用所选择的特征信息及训练得到的分类器进行两类分类识别.实验结果表明,文中方法无论是在识别性能还是训练所需时间方面均明显优于传统方法,具有较好的应用前景.

扩展Haar特征检测人眼的方法

人眼检测在人脸识别中起着非常重要的作用,其检测的准确性可以有效地提高人脸识别率。该文扩展了一种Haar特征,并基于该特征运用Adaboost算法对人眼进行准确检测。首先基于扩展的Haar特征运用Adaboost算法检测到眼睛和眉毛的粗轮廓,然后将粗轮廓的灰度图像制成模板,最后与眼睛和眉毛非常相似的图像样本进行匹配,从而准确检测到人眼。该方法有效地避免该由于眼睛和眉毛非常相似而引起的误判。

基于Haar小波变换的信号到达时间估计

研究了在信号频率、初相、幅度未知条件下,矩形包络复正弦信号的到达时间估计算法。先利用相关检测算法,对信号的起止时间进行粗估计。在检测到信号的条件下,估计出信号频率并将其变换至基带,在一定尺度下对基带信号作Haar小波变换,检测出小波变换模值的峰点位置作为到达时间精估计。给出了小波尺度选取的原则,并推导了到达时间估计的克拉美罗限(CRLB)。计算机仿真表明,信噪比达6 dB时,到达时间估计的均方根误差小于0.8倍的采样间隔,实现了对信号到达时间的精估计。

基于类Haar特征和AdaBoost的车辆识别技术

在海量的监控视频中,快速、准确地识别车辆对公安破案和追踪具有重要的研究意义。通过提取车辆的类Haar特征,采用AdaBoost方法构建分类器可以实现监控视频中的车辆识别。针对原始算法误检率较高的问题,提出了采用背景差分去除背景干扰,以及采用目标对象差分法进行二次识别的两种改进算法。实验结果表明,两种改进算法都能够有效地降低误检率,提高检测率,并且对不同交通场景下的监控视频具有很好的检测效果。

基于Haar小波变换和分块DCT的人耳识别

提出一种新的对人耳图像进行降维的方法。先对人耳图像进行二维的离散小波分解,然后再对小波分解后得到的低频信息施行分块离散余弦变换,进而获得图像的特征向量。实验证明,该方法与模式识别领域中广泛应用的PCA-LDA方法相比,在识别率大体相当的前提下,具有计算量小、降维速度快的优点,是对人耳图像进行特征提取的一种有效的手段。

基于Haar特性的LBP纹理特征

图像纹理特征能够反映图像的灰度分布程度、对比度、空间分布和图像的内在变化特性,在确保较低计算复杂度的前提下,有效提取深层次的图像纹理信息是其研究的难点问题.针对这一问题,从相邻区域的统计特征分析入手,提出了一种Haar型特性局部二元模式(Haar local binary pattern,简称HLBP)的图像纹理特征提取方法.鉴于Haar型特征运算简单、快捷,统计局部特征有效、可靠,将其引入LBP中.该方法首先给出8组Haar型特征编码模式,按照局部二元模式(local binary pattern,简称LBP)统计图像局部纹理特征,因采用局部区域统计方法能够有效降低噪声的影响;其次,为了进一步提高图像纹理特征的有效呈现,结合Gabor小波滤波在不同方向、不同尺度对灰度水平图像进行特征提取,以增强纹理有效提取的性能,提高不变特征的稳健性;最后,通过4组对比实验验证了该方法的可行性.实验分别在标准的Brodatz正常分块纹理库测试集、分块且缩放Brodatz纹理库测试集、分块且旋转Brodatz纹理库测试集以及Yale B扩展的非均匀光照条件人脸库测试集上进行.实验结果表明,该方法能够有效地表达图像的纹理特征.